- •Математическое моделирование Учебное пособие
- •Донецк 2006
- •Содержание
- •Введение
- •1. Построение экспериментальных законов распределения
- •1.1. Общие положения
- •1.2. Статистические критерии согласия
- •Г) Критерий согласия Романовского
- •1.3. Построение закона Пуассона
- •1.4. Построение показательного закона
- •1.5. Построение нормального закона
- •2. Модели оптимизации
- •2.1. Принципы формирования моделей оптимизации
- •Задача производственного планирования
- •Задача оптимальной загрузки оборудования
- •Задача о смесях
- •Транспортная задача
- •2.2. Графический метод решения задачи линейного программирования
- •Алгоритм графического метода решения злп
- •2.3. Универсальный метод решения линейных задач оптимизации
- •Алгоритм симплекс-метода решения злп
- •Пример 2.3.1. Решить злп (2.2.1), (2.2.5) симплекс-методом.
- •Критерий оптимальности опорного плана
- •Переход к следующей симплекс-таблице осуществляют по правилам:
- •2.4. Двойственная задача линейного программирования
- •Свойства двойственных задач
- •2.5. Методы анализа конфликтных ситуаций с помощью матричных игр
- •Алгоритм принципа максимина (минимакса)
- •Решение. Этаматричная игра имеет размерность (3х4), т.Е. Игрок а имеет три стратегии, а игрок в – четыре. Запишем ее в нормальной форме.
- •Последовательность действий при решении игры
- •3. Регрессионный анализ
- •3.1. Однофакторные модели
- •3.1.1. Построение однофакторных моделей
- •3.1.2. Оценка качества моделей
- •Свойства коэффициента корреляции
- •Построение доверительного интервала для прогнозного значения
- •Пример 3.1.Исследовать зависимость объема прибыли от количества торговых точек. Сделать прогноз в предположении, что количество торговых точек будет увеличено до 25.
- •Вспомогательная расчетная таблица
- •Пример 3.2.Исследовать зависимость показателяуи факторахс помощью логарифмической, степенной и полиномиальной регрессий.
- •3.1.3. Модели рядов динамики
- •3.2. Автокорреляция данных и остатков
- •3.2.1. Автокорреляция данных
- •Пример 3.4. Исследовать на автокорреляцию динамический ряд:
- •Вспомогательная таблица для расчета коэффициента автокорреляции
- •3.2.2. Автокорреляция остатков
- •Причины возникновения автокорреляции
- •Вспомогательная таблица для расчета d-статистики
- •С помощью формулы (3.2.2) найдем d -статистику:
- •3.3. Мультиколлинеарность
- •Причины возникновения мультиколлинеарности:
- •Методы исследования мультиколлинеарности
- •Меры по устранению мультиколлинеарности:
- •3.4. Множественная линейная регрессия
- •3.4.1. Построение множественной линейной регрессии
- •Расчет элементов коэффициента
- •3.4.2. Матричный подход
- •Построение корреляционной матрицы
- •Построение модели множественной линейной регрессии и ее анализ
- •3.4.4. Нелинейные модели
- •3.4.5. Эластичность
- •4.Экспертные оценки и элементы теории графов
- •4.1. Ранговая корреляция
- •4.1.1. Экспертное оценивание
- •4.1.2. Этапы работ в системе экспертных оценок
- •4.1.3. Метод ранговой корреляции
- •Вспомогательные расчеты
- •Б) Случай многих экспертов
- •4.2. Элементы сетевого планирования
- •Основные элементы сетевого графика
- •Основные требования к сетевой модели
- •5. Индивидуальные задания для самостоятельной работы студентов по курсу “математическое моделирование”
- •5.1. Задания к разделу “Построение законов распределения”
- •5.2. Задания к разделу “Математическое программирование”
- •5.3. Задания к разделу “Регрессионный анализ”
- •Задание 2.
- •Задание 3.
- •5.4. Задания к разделу “Экспертные оценки и элементы теории графов” Задание 1.
- •Значение критерия Пирсона
- •Критерий Колмогорова
- •Критерий Колмогорова
- •Квантили распределения Стьюдента
- •Коефициентов автокорреляции
- •Литература
- •Пеніна Галина Геннадіївна, канд. Екон. Наук, доцент
3.1.3. Модели рядов динамики
Частным случаем однофакторных моделей являются модели рядов динамики, которые характеризуют развитие показателя во времени (товарооборота, объема выпуска продукции, производительности труда и т.д.).
Ряды динамики, как правило, представляют в виде таблицы. Для изображения часто ряда используют графики и диаграммы, которые позволяют заметить сложившиеся тенденции в изменении показателей. Закономерность в развитии значений ряда в одних случаях проявляется четко, в других – она может быть “размыта” за счет случайных или вполне определенных причин.
Изучая ряды динамики, стремятся выявить основную, главную тенденцию в изменении показателей. Аналитическое моделирование рядов динамики проводит с помощью тех же экономико-математических моделей, что ив случае однофакторных моделей: линейной, параболической, гиперболической, показательной, степенной, логарифмической.
Выравнивание по прямой дает эффект, как правило, в тех случаях, когда абсолютные приросты в среднем одинаковы. Параметры уравнения можно интерпретировать так: “а” – среднее значение показателя в базисном году, “b” – его средний абсолютный прирост по годам. Применение гиперболической функции целесообразно в тех случаях, когда темпы роста показателя (или его уменьшения) имеют тенденцию к снижению, а параметры выражают следующие величины: “а” – предельное значение показателя (достижимая норма), а “b” – коэффициент отклонения от нормы. Выравнивание по функции производится в основном, когда темпы роста показателя, рассчитанные по отношению к предыдущему периоду, более или менее постоянны. При этом параметр “b” характеризует средний темп роста изучаемого показателя.
Наибольшая трудность в математическом моделировании (и в выравнивании рядов динамики, в частности) заключается в выборе подходящей модели, формы аналитической зависимости. Иногда вид уравнения можно подобрать, ориентируясь на графическое изображение ряда. Иногда о типе уравнения можно судить, исходя из сути показателя. Но даже когда тенденция развития показателя известна, ее (тенденцию) можно выразить с помощью различных уравнений. Этот момент предопределяет использование нескольких моделирующих функций для выравнивания одного и того же ряда динамики с последующей их оценкой и выбором наиболее предпочтительной.
Параметры выбранных для моделирования функций можно находить различными путями. Наиболее точным приемом является метод наименьших квадратов. На его основе для каждой из функций формируют специальную систему уравнений Гаусса. Для указанных функций приведем соответствующие системы уравнений Гаусса в таблице 3.5:
Таблица 3.5
Системы уравнений Гаусса для простейших моделей
Модель |
Уравнение |
Система уравнений Гаусса |
|
Линейная |
(3.1.22) | ||
Параболическая |
|
|
(3.1.23) |
Гиперболическая |
|
|
(3.1.24) |
Экспоненциальная |
|
|
(3.1.25) |
Степенная |
|
|
(3.1.26) |
Логарифмическая |
|
|
(3.1.27) |
В каждой из систем (3.1.26) – (3.1.31) – анализируемый показатель;– фактор времени;– количество наблюдений;– параметры моделей.
Отчет временного показателя начинают с 1. Основываясь на опытных значенияхи, определяют все суммы и подставляют их в системы, в результате чего получают системы уравнений относительно неизвестных параметров. Решая системы, находят конкретные значения параметров и подставляют их в уравнения моделирующих функций, которые должны статистически оцениваться и используются на практике.
Адекватность экономико-математической модели может быть установлена с помощью средней ошибки аппроксимации, вычисляемой по формуле (3.1.23). Выбор наиболее предпочтительной модели можно проводить на основе остаточного среднеквадратического отклонения (остаточной дисперсии), рассчитываемого по формуле (3.1.24). Оценку надежности уравнения проводят по критерию Фишера, вычисляя -статистику.
Пример 3.3. Проанализировать показатели реализации продукции на предприятии за ряд лет. Найти уравнения линейной, параболической и гиперболической, показательной, степенной и логарифмической зависимостей. Проверить адекватность полученных математических моделей, определить наилучшую модель.
Год |
1997 |
1998 |
1999 |
2000 |
2001 |
2002 |
2003 |
2004 |
2005 |
2006 |
Объем реализации изделий, тыс. тонн |
19,1 |
22,9 |
23,7 |
23,9 |
24,5 |
26,6 |
25,7 |
26,1 |
26,2 |
27,6 |
Решение. Данные таблицы показывают, что реализация продукции неуклонно возрастала, хотя происходило это неравномерно. Очевидно, существует ряд факторов, под влиянием которых изменяется величина объема реализации. Некоторые из факторов могут действовать долгосрочно, а другие – кратковременно; некоторые могут быть важными, другие – случайными.
Составим вспомогательную расчетную таблицу 3.6 и на ее основе сформируем системы Гаусса.
Таблица 3.6
Вспомогательные расчеты для формирования систем Гаусса
х |
у |
x2 |
x3 |
x4 |
уx |
yx2 |
1/x |
1/x2 |
y/x |
1 |
19,1 |
1 |
1 |
1 |
19,1 |
19,1 |
1 |
1 |
19,1 |
2 |
22,9 |
4 |
8 |
16 |
45,8 |
91,6 |
0,5 |
0,25 |
11,45 |
3 |
23,7 |
9 |
27 |
81 |
71,1 |
213,3 |
0,33333 |
0,11111 |
7,9 |
4 |
23,9 |
16 |
64 |
256 |
95,6 |
382,4 |
0,25 |
0,0625 |
5,975 |
5 |
24,5 |
25 |
125 |
625 |
122,5 |
612,5 |
0,2 |
0,04 |
4,9 |
6 |
26,6 |
36 |
216 |
1296 |
159,6 |
957,6 |
0,16666 |
0,02777 |
4,43333 |
7 |
25,7 |
49 |
343 |
2401 |
179,9 |
1259,3 |
0,14285 |
0,02040 |
3,67142 |
8 |
26,1 |
64 |
512 |
4096 |
208,8 |
1670,4 |
0,125 |
0,01562 |
3,2625 |
9 |
26,2 |
81 |
729 |
6561 |
235,8 |
2122,2 |
0,11111 |
0,01234 |
2,91111 |
10 |
27,1 |
100 |
1000 |
10000 |
271 |
2710 |
0,1 |
0,01 |
2,71 |
55 |
245,8 |
385 |
3025 |
25333 |
1409,2 |
10038,4 |
2,92896 |
1,54976 |
66,3133 |
Продолжение таблицы 3.6
-
lny
xlny
lnx
lnxlny
(lnx)2
ylnx
2,94968
2,94968
0
0
0
0
3,13113
6,26227
0,69314
2,17033
0,48045
15,8730
3,16547
9,49642
1,09861
3,47763
1,20694
26,0371
3,17387
12,6955
1,38629
4,39993
1,92181
33,1324
3,19867
15,9933
1,60943
5,14806
2,59029
39,4312
3,28091
19,6854
1,79175
5,87860
3,21040
47,6608
3,24649
22,7254
1,94591
6,31738
3,78656
50,0098
3,26193
26,0954
2,07944
6,78300
4,32407
54,2734
3,26575
29,3918
2,19722
7,17560
4,82779
57,5672
3,29953
32,9953
2,30258
7,59745
5,30189
62,4000
31,9734
178,290
15,1044
48,9480
27,6502
386,385
В последней строке таблицы 3.6 указаны суммы всех значений для каждого столбца.
Для определения параметров уравнения линейной функции запишем систему уравнений Гаусса по формуле (3.1.21):
Решив эту систему, найдем = 20,76,= 0,6945. Таким образом, получим уравнение линейной модели.
Для определения параметров уравнения параболической функции запишем систему уравнений Гаусса по формуле (3.1.22):
Решив эту систему, найдем = 18,46,= 1,845,с = - 0,105. Таким образом, получим уравнение параболической модели .
Для определения параметров уравнения гиперболической функции запишем систему уравнений Гаусса по формуле (3.1.23):
Решив эту систему, найдем = 66,156,= -80,117. Таким образом, получим уравнение гиперболической модели.
Для определения параметров уравнения экспоненциальной функции запишем систему уравнений Гаусса по формуле (3.1.24):
Решив эту систему, найдем = 3,034,= 0,295, тогда= 20,799. Таким образом, получим уравнение экспоненциальной модели.
Для определения параметров уравнения степенной функции запишем систему уравнений Гаусса по формуле (3.1.25):
Решив эту систему, найдем = 2,993,= 0,135, тогда= 19,947. Таким образом, получим уравнение степенной модели.
Для определения параметров уравнения логарифмической функции запишем систему уравнений Гаусса по формуле (3.1.26):
Решив эту систему, найдем = 19,858,= 3,126. Таким образом, получим уравнение логарифмической модели.
Для нахождения средней ошибки аппроксимации, остаточного среднеквадратического отклонения,- статистики для построенных моделей построим вспомогательную расчетную таблицу 3.7.
Таблица 3.7
Вспомогательная расчетная таблица
|
Линейная модель |
Параболическая модель |
Гиперболическая модель | |||||||||
|
|
|
|
|
| |||||||
19,1 |
21,45 |
10,97 |
5,54 |
9,77 |
20,20 |
5,45 |
1,21 |
19,18 |
-13,96 |
236,81 |
1093,03 |
1485,41 |
22,9 |
22,15 |
3,39 |
0,56 |
5,91 |
21,73 |
5,38 |
1,37 |
8,12 |
26,10 |
12,25 |
10,22 |
2,30 |
23,7 |
22,84 |
3,75 |
0,73 |
3,02 |
23,05 |
2,81 |
0,42 |
2,33 |
39,45 |
39,92 |
248,07 |
221,13 |
23,9 |
23,54 |
1,54 |
0,13 |
1,09 |
24,17 |
1,10 |
0,07 |
0,17 |
46,13 |
48,19 |
494,03 |
464,26 |
24,5 |
24,23 |
1,10 |
0,07 |
0,12 |
25,07 |
2,27 |
0,32 |
0,24 |
50,13 |
51,13 |
657,03 |
652,94 |
26,6 |
24,93 |
6,71 |
2,80 |
0,12 |
25,77 |
3,24 |
0,70 |
1,40 |
52,80 |
49,62 |
686,61 |
796,55 |
25,7 |
25,62 |
0,31 |
0,01 |
1,08 |
26,25 |
2,10 |
0,30 |
2,79 |
54,71 |
53,03 |
841,62 |
907,86 |
26,1 |
26,32 |
0,82 |
0,05 |
3,01 |
26,53 |
1,61 |
0,18 |
3,79 |
56,14 |
53,51 |
902,48 |
996,12 |
26,2 |
27,01 |
3,00 |
0,66 |
5,91 |
26,60 |
1,49 |
0,16 |
4,06 |
57,25 |
54,24 |
964,36 |
1067,60 |
27,1 |
27,71 |
2,18 |
0,37 |
9,77 |
26,46 |
2,44 |
0,42 |
3,52 |
58,14 |
53,39 |
963,75 |
1126,56 |
24,58 |
|
33,78 |
10,92 |
39,79 |
|
27,89 |
5,15 |
45,62 |
|
652,09 |
6861,20 |
604,18 |
Продолжение таблицы 3.7
|
Экспоненциальная модель |
Степенная модель |
Логарифмическая модель | |||||||||
|
|
|
|
|
| |||||||
19,1 |
21,42 |
10,84 |
5,39 |
9,97 |
19,95 |
4,25 |
0,72 |
21,46 |
19,86 |
3,82 |
0,57 |
22,30 |
22,9 |
22,06 |
3,79 |
0,70 |
6,33 |
21,91 |
4,53 |
0,99 |
7,15 |
22,03 |
3,97 |
0,77 |
6,53 |
23,7 |
22,72 |
4,30 |
0,95 |
3,45 |
23,14 |
2,42 |
0,31 |
2,07 |
23,29 |
1,75 |
0,17 |
1,66 |
23,9 |
23,40 |
2,12 |
0,25 |
1,38 |
24,06 |
0,66 |
0,03 |
0,27 |
24,19 |
1,21 |
0,09 |
0,15 |
24,5 |
24,10 |
1,64 |
0,16 |
0,23 |
24,80 |
1,19 |
0,09 |
0,05 |
24,89 |
1,57 |
0,15 |
0,10 |
26,6 |
24,83 |
7,14 |
3,15 |
0,06 |
25,41 |
4,66 |
1,41 |
0,70 |
25,46 |
4,48 |
1,30 |
0,77 |
25,7 |
25,57 |
0,51 |
0,02 |
0,98 |
25,95 |
0,96 |
0,06 |
1,88 |
25,94 |
0,93 |
0,06 |
1,85 |
26,1 |
26,34 |
0,89 |
0,06 |
3,08 |
26,42 |
1,22 |
0,10 |
3,40 |
26,36 |
0,98 |
0,07 |
3,17 |
26,2 |
27,12 |
3,41 |
0,85 |
6,47 |
26,85 |
2,41 |
0,42 |
5,14 |
26,73 |
1,97 |
0,28 |
4,61 |
27,1 |
27,94 |
2,99 |
0,70 |
11,26 |
27,23 |
0,48 |
0,02 |
7,03 |
27,06 |
0,16 |
0,00 |
6,13 |
24,58 |
|
37,63 |
12,22 |
43,22 |
|
22,79 |
4,14 |
49,14 |
|
20,84 |
3,45 |
47,27 |
В последней строке таблицы 3.7 указаны суммы всех значений соответствующих столбцов.
Для линейной модели средняя ошибка аппроксимации, найденная по формуле (3.1.23), = 33,78/10 = 3,378 меньше 5%. Значит, линейная модель адекватна фактическим данным и пригодна для дальнейшего использования. Остаточная дисперсия, рассчитанная по формуле (3.1.24) при= 2, равна 1,17. Для оценки надежности уравнения линейной модели по формуле (3.1.22), найдем-статистику:=29,16. По таблицам распределения Фишера (приложение Е) найдем= 5,32. Поскольку, то уравнение линейной модели можно считать надежным с вероятностью 0,95.
Проведя аналогичные исследования для остальных моделей, результаты представим в таблице 3.8:
Таблица 3.8
Характеристики оценки построенных моделей
Модель |
|
| ||||
Линейная |
3,378 |
1,17 |
адекватна |
29,16 |
5,32 |
надежна |
Параболическая |
2,79 |
0,86 |
адекватна |
62,03 |
5,59 |
надежна |
Гиперболическая |
65,21 |
- |
неадекватна |
0,7 |
5,32 |
ненадежна |
Экспоненциальная |
3,76 |
1,24 |
адекватна |
28,3 |
5,32 |
надежна |
Степенная |
2,28 |
0,72 |
адекватна |
95,04 |
5,32 |
надежна |
Логарифмическая |
2,08 |
0,66 |
адекватна |
109,64 |
5,32 |
надежна |
Из сравнения средних ошибок аппроксимации видно, что только для гиперболической функции она выходит за 5% уровень, у остальных моделей эта характеристика не выходит за 5% уровень и приблизительно одинаковая. Если оценивать преимущество, то, очевидно, что лучшей является логарифмическая модель, поскольку у нее остаточное среднеквадратичное отклонение меньше всего.